亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        GNSS干擾信號檢測方法研究

        2020-07-29 01:56:54王佳欣
        導(dǎo)航定位與授時 2020年4期
        關(guān)鍵詞:掃頻特征參數(shù)干擾信號

        王佳欣,常 青,田 原,黃 堅

        (北京航空航天大學(xué)電子信息工程學(xué)院,北京 100191)

        0 引言

        對全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellite System,GNSS)接收機干擾是戰(zhàn)場電磁環(huán)境壓制的主要手段,為提升接收機戰(zhàn)場應(yīng)用的可靠性,不僅要提升其自身的干擾抑制能力,還要對干擾源信號進(jìn)行檢測和識別,為進(jìn)一步實施對干擾源的精確摧毀提供依據(jù)[1-2]。

        對于導(dǎo)航干擾源的檢測,目前主要集中于檢測干擾是否存在以及判斷存在的干擾類型,幾乎沒有考慮多干擾源復(fù)雜電磁環(huán)境下的識別問題。目前,干擾識別主要分為三大類:基于假設(shè)檢驗的最大似然調(diào)制識別[3]、基于特征提取的模式識別[4]和基于人工智能的識別方法[5],主要應(yīng)用在雷達(dá)信號識別方面。

        1969年,Weaver C等最早開始了調(diào)制信號的識別。此后,基于極大似然準(zhǔn)則的干擾檢測識別的研究并不多,這種方法運用統(tǒng)計學(xué)原理,對先驗信息進(jìn)行處理,多依靠經(jīng)驗和觀察,計算量相對較大,且不適宜工程實現(xiàn)?;谔卣魈崛〉哪J阶R別在實際中運用廣泛,在雷達(dá)電子對抗中的研究較多。提取特征一般通過對時域、頻域、變換域等進(jìn)行分析處理,進(jìn)而選取有效特征,再進(jìn)行分類器的設(shè)計。常見的特征提取方法有信號回波譜相關(guān)法、中頻信號處理法和時域信號自相關(guān)法等[6]。其中時頻分析應(yīng)用廣泛,主要包括短時傅里葉變換、Wigner變換和小波變換等。近年來,模式識別發(fā)展較快,梁金弟針對復(fù)雜電子環(huán)境的干擾識別問題,使用基于決策樹和支持向量機兩種識別器進(jìn)行干擾性能仿真對比分析[7];吳昊應(yīng)用歸一化高階累積量作為特征參數(shù),并應(yīng)用神經(jīng)網(wǎng)絡(luò)對干擾進(jìn)行識別,在低干信比下準(zhǔn)確率較高[8];金秋將深度學(xué)習(xí)運用到雷達(dá)輻射源分類中,實現(xiàn)智能化識別[9];O’Shea T J成功將時域信號輸入深度學(xué)習(xí)網(wǎng)絡(luò),實現(xiàn)了數(shù)字、模擬調(diào)制信號總計達(dá)二十八種信號的分類[10]。

        綜合以上情況,國內(nèi)外對于GNSS接收機接收到的導(dǎo)航干擾信號識別研究成果較少,但可以借鑒雷達(dá)領(lǐng)域信號識別的成果,尤其是特征的選取方面。本文針對檢測干擾是否存在提出了使用干擾存在因子這一特征量,并通過各種識別方法的研究比較,驗證了提取特征的有效性。

        1 衛(wèi)星信號干擾模型

        1.1 干擾建模

        基于對GNSS陣列信號的干擾識別與測向,研究以北斗為代表的GNSS接收機接收到的干擾信號,對其他類型的GNSS信號有相似的作用。選擇脈沖干擾、掃頻干擾、BPSK調(diào)制干擾、寬帶高斯白噪聲、窄帶高斯白噪聲以及點頻干擾六種干擾信號作為研究對象,進(jìn)行數(shù)學(xué)建模。以下是它們的模型。

        1)脈沖干擾

        脈沖干擾(Pulse Interference,PI),一般為突發(fā)性、周期性的,特點是持續(xù)時間很短,頻譜很寬[11]。脈沖干擾可簡單表示為

        J(t)=Σδ(t-K)

        (1)

        其中,K為脈沖周期的整數(shù)倍。

        2)掃頻干擾

        掃頻干擾,以線性調(diào)頻干擾為例,有一定帶寬,其瞬時頻率會隨時間線性變化,數(shù)學(xué)表達(dá)式為

        JLFMI(t)=A(t)rect(t/T)exp[j(2πf0t+πKt2)]

        (2)

        式中,A(t)為掃頻干擾信號的幅度,T為掃頻的周期,f0為掃頻的中心頻率,K為線性掃頻頻率。

        3)寬帶高斯白噪聲

        寬帶高斯白噪聲,為帶通型高斯白噪聲通過某一帶通型濾波器,并且這個濾波器的通頻帶寬B滿足大于其中心頻率f0(即B>f0)時,濾波器輸出端的高斯白噪聲。

        4)窄帶高斯白噪聲

        窄帶高斯白噪聲,類似于寬帶高斯白噪聲,而當(dāng)此濾波器的通頻帶寬B遠(yuǎn)小于其中心頻率(即B?f0)時,濾波器輸出即為窄帶高斯白噪聲。 該噪聲有如下表達(dá)式和統(tǒng)計特性

        n(t)=nc(t)coswct-ns(t)sinwct

        (3)

        E[n(t)]=E[nc(t)]=E[ns(t)]=0

        (4)

        (5)

        5)點頻干擾

        設(shè)點頻干擾信號的頻率與北斗B1中心調(diào)制頻率相同,則該信號可以寫成

        (6)

        式中:Pcwj為干擾信號的功率;θcwj為干擾的初始相位。經(jīng)過C/A碼調(diào)制及中頻變換后,其表達(dá)式為

        (7)

        其自相關(guān)函數(shù)為

        Rcwj(τ)=E[ucwj(t)ucwj(t+τ)]
        =PcwjRC/A(τ)cos(2πφIτ)

        (8)

        6)MPSK調(diào)制干擾

        實際的通信系統(tǒng)中,以0°載波相位作為參考相位,以載波相位的M種不同取值分別表示數(shù)字信息。

        (9)

        M進(jìn)制數(shù)字相位調(diào)制信號的正交形式為

        eMPSK(t)=I(t)cosωct-Q(t)sinωct

        (10)

        常用I、Q兩路來調(diào)制多進(jìn)制相移鍵控。

        通過以上分析,對各個干擾進(jìn)行建模,然后產(chǎn)生干擾信號數(shù)據(jù)庫。

        1.2 特征提取

        通過對常見的衛(wèi)星干擾進(jìn)行分析,在歸一化預(yù)處理后,研究了干擾信號的時域和頻域等特點。選取下列特征進(jìn)行提取。信號識別時對特征值個數(shù)并無絕對要求,只是可以采用如下特征參數(shù)在已知種類的干擾中識別不同干擾。

        1)干擾存在因子E:檢測干擾存在的方法眾多,這里選取信號整體功率確定檢測門限。

        由圖1可以看出,在干噪比為0dB以上時,干擾存在因子在無干擾時持續(xù)較低,可作為干擾是否存在的依據(jù)。

        圖1 不同干噪比下EFig.1 E under different JNRs

        2)干擾帶寬B:區(qū)分寬帶和窄帶干擾的重要特征。

        由表1可知,寬帶干擾和窄帶干擾可通過門限值0.03區(qū)分。

        表1 干擾帶寬Tab.1 Bandwidth of jammers

        3)信號峰均比PAR:因為識別中有PSK調(diào)制的信號,其信號峰均比較大,可實現(xiàn)與其他信號的類間識別。

        4)頻譜峰度K:脈沖干擾頻譜峰度較大,可有效識別,并可區(qū)分掃頻和寬帶高斯白噪聲。

        5)平均頻譜平坦系數(shù)P:點頻干擾頻譜峰值較高,可以與其他干擾區(qū)分。

        6)高階累積量F1、F2:可采用該參數(shù)區(qū)分MPSK信號,實現(xiàn)類內(nèi)識別。

        由表2可知,不同進(jìn)制PSK干擾信號可通過高和累積量F1、F2進(jìn)行區(qū)分。

        表2 高階累積量Tab.2 High-order cumulant

        2 分類器設(shè)計

        1)決策樹

        決策樹(Decision Tree)是一種常見的機器學(xué)習(xí)方法,可用于分類。常通過對相應(yīng)參數(shù)進(jìn)行估計,選取合適的閾值對不同類別進(jìn)行分離。決策樹方法最關(guān)鍵的是選取最優(yōu)劃分屬性,一般選取信息增益、增益率或基尼指數(shù)來選擇劃分屬性。這里采用CART決策樹進(jìn)行分類器設(shè)計,基于最小距離的基尼指數(shù)估計函數(shù),將當(dāng)前樣本集分為2個子樣本集。相對其他方法來說,具有在簡化模型的同時不會丟失熵模型的優(yōu)點[12]。

        圖2所示為決策樹部分識別流程圖。

        圖2 決策樹基本構(gòu)成示例Fig.2 Example of the decision tree basic composition

        2)支持向量機

        支持向量機(Support Vector Machines,SVM)基于統(tǒng)計學(xué)習(xí)理論,在樣本空間中構(gòu)造超平面將樣本分為兩類。圖3所示為訓(xùn)練樣本分別為線性可分、線性近似可分、線性不可分時通過不同處理方式,學(xué)習(xí)不同類型支持向量機的基本模型[13],實現(xiàn)了高效地從訓(xùn)練樣本到預(yù)報樣本的轉(zhuǎn)導(dǎo)推理,但對大規(guī)模樣本及多分類問題不大適用,需采用組合模式進(jìn)行訓(xùn)練。

        圖3 SVM常見分類模型Fig.3 Common classification models of SVM

        3)神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)是常見的神經(jīng)網(wǎng)絡(luò),是一種非線性分類器,通常包括前向傳播和反向傳播的過程,常用于分類識別和預(yù)測等,具有自學(xué)習(xí)和自適應(yīng)能力,還具有一定的容錯能力,較其他識別方式有突出優(yōu)勢,但是在層節(jié)點的選擇上需要先驗知識來決定。

        圖4 簡單神經(jīng)網(wǎng)絡(luò)Fig.4 Simple neural network

        4)深度學(xué)習(xí)

        深度學(xué)習(xí)基于數(shù)據(jù)挖掘,利用輸入數(shù)據(jù)抽象提取數(shù)據(jù)特征,將低維度特征通過學(xué)習(xí)過程得到維度特征,是神經(jīng)網(wǎng)絡(luò)的擴展,具有更智能化的過程。但如果數(shù)據(jù)序列較長,則存在盲識別的準(zhǔn)確性會極大降低的問題,因此一般為了可靠性考慮,在工程應(yīng)用中鮮少直接使用。

        實驗使用決策樹和BP神經(jīng)網(wǎng)絡(luò)對已有干擾進(jìn)行識別率的比較,得出結(jié)論。

        3 仿真實驗

        實驗設(shè)置條件為GNSS接收機,選取北斗B1碼進(jìn)行仿真。信號及干擾設(shè)置條件如表3所示。這里認(rèn)為當(dāng)某種信號識別率達(dá)到98%及以上時,結(jié)果是相對可靠的。

        表3 信號參數(shù)設(shè)置Tab.3 Signal parameter setting

        使用的干擾樣本模型為無干擾及含有上述八種干擾的衛(wèi)星信號,每種信號各100個,即900個帶有標(biāo)注的信號,同時生成相同條件下相同數(shù)量的另一組測試樣本。

        決策樹及BP神經(jīng)網(wǎng)絡(luò)采用從信號中提取得到的特征值進(jìn)行訓(xùn)練。決策樹使用事先確定的各特征參數(shù)門限值進(jìn)行分類,而BP神經(jīng)網(wǎng)絡(luò)經(jīng)多次試驗,采用的輸入層、隱藏層、輸出層節(jié)點數(shù)分別為7、25、1。下面比較兩種分類器在干噪比為0dB和20dB下不同干擾類型的識別率。

        1)僅有干擾存在因子E、干擾帶寬B、頻譜峰度K、平均頻譜平坦系數(shù)P這4個特征的決策樹和BP神經(jīng)網(wǎng)絡(luò)分類器識別情況。

        僅有4個特征值時,由圖5可以得出,干噪比為0dB時,九種信號識別率均在90%左右波動,說明特征參數(shù)過多,擾亂識別或缺少能夠充分識別這些干擾的特征參數(shù);而干噪比為20dB時,各種信號識別率有所提升,均達(dá)到95%以上,其中,掃頻干擾、脈沖干擾、點頻干擾識別率達(dá)到99%,說明隨著干噪比增加,信號識別效果有較大提升。

        圖5 4個特征參數(shù)-決策樹識別率(%)Fig.5 Four characteristic parameters-recognition rate of decision tree(%)

        圖6反映了BP神經(jīng)網(wǎng)絡(luò)作為干擾分類器,在干噪比為0dB時與決策樹有相似的分類誤差,進(jìn)一步說明,低干噪比下所選取4個特征值的識別效果較差;當(dāng)干噪比為20dB時,各個干擾識別率均在95%~98%,略低于決策樹分類器。

        圖6 4個特征參數(shù)-BP神經(jīng)網(wǎng)絡(luò)識別率(%)Fig.6 Four characteristic parameters -recognition rate of BP neural network(%)

        也可以得出結(jié)論:在僅有4個特征值的條件下,干噪比為0dB時,兩種分類方法的分類結(jié)果是不夠可靠的。而當(dāng)干噪比提升到20dB時,決策樹方法對8PSK干擾、掃頻干擾、寬帶高斯白噪聲干擾、無干擾、脈沖干擾及點頻干擾識別率均達(dá)到98%及以上,可以認(rèn)為4個特征參數(shù)的決策樹分類器適用于這幾種干擾;而BP神經(jīng)網(wǎng)絡(luò)識別的結(jié)果中,僅有點頻干擾識別率達(dá)到98%,因此4個特征參數(shù)的BP神經(jīng)網(wǎng)絡(luò)分類器適用于點頻干擾的識別。

        2)將1)中提及的7個特征值作為特征參數(shù),決策樹和BP神經(jīng)網(wǎng)絡(luò)分類器識別情況。

        由圖7可知,使用決策樹識別器識別設(shè)置的八種干擾及無干擾,干噪比為20dB時,識別率達(dá)到99.8%,而0dB時識別效果也達(dá)到了99.2%,可以驗證特征提取的有效性。其中,MPSK信號識別率達(dá)到99.6%,說明高階累積量足以區(qū)分不同進(jìn)制的PSK干擾。

        圖7 決策樹識別率(%)Fig.7 Recognition rate of decision tree(%)

        其中,干噪比為0dB時,7個特征值的決策樹分類器不適用于掃頻干擾,但其他干擾識別效果均達(dá)到98%以上;而當(dāng)干噪比為20dB時,各個干擾識別率均達(dá)到99%及以上,因此7個特征值的決策樹適用于此處設(shè)置的所有干擾。

        由圖8可知,使用BP神經(jīng)網(wǎng)絡(luò),干噪比為20dB時,識別率達(dá)到99.8%;干噪比為0dB時,無干擾、寬帶高斯白噪聲干擾、窄帶高斯白噪聲干擾存在1%~2%的干擾誤分率,一定程度上反映了噪聲的影響。同樣BP神經(jīng)網(wǎng)絡(luò)也具有一定的分類穩(wěn)定性。

        圖8 BP神經(jīng)網(wǎng)絡(luò)識別率(%)Fig.8 Recognition rate of BP neural network(%)

        通過觀察發(fā)現(xiàn),雖然干噪比為0dB時個別干擾識別效果相對較差,但識別率也達(dá)到98%及以上,因此當(dāng)干噪比為0dB及20dB時,7個特征值的BP神經(jīng)網(wǎng)絡(luò)在識別所有干擾時均適用。

        4 結(jié)論

        本文針對GNSS導(dǎo)航接收機接收信號易受干擾的問題,對干擾識別方面面臨的一些問題進(jìn)行了分析:

        1)針對干擾識別時需要進(jìn)行特征提取,選取常見的時域和頻域等變換域特征進(jìn)行研究,其中對于多進(jìn)制PSK干擾采用了高階累積量作為特征參數(shù)進(jìn)行識別,有效提高了特征識別準(zhǔn)確率。

        2)對于常見的分類器,選取決策樹及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計,對添加了高階累積量作為特征參數(shù)的識別器,識別準(zhǔn)確率有所提升,驗證了特征提取的有效性。同時兩種分類器在識別時均表現(xiàn)出了識別的穩(wěn)定性,其中不同分類器對不同干擾的適用性已在文章中予以說明。

        3)在特征識別過程中,僅對特定干噪比的信號進(jìn)行仿真,對干噪比低于0dB的情況識別效果相對較差,需要對特征參數(shù)加以研究;實驗僅設(shè)定無干擾情況及八種常見干擾,對于其他類型的干擾并不適用。

        猜你喜歡
        掃頻特征參數(shù)干擾信號
        故障診斷中信號特征參數(shù)擇取方法
        基于特征參數(shù)化的木工CAD/CAM系統(tǒng)
        正弦采樣信號中單一脈沖干擾信號的快速剔除實踐方法
        正弦掃頻速率對結(jié)構(gòu)響應(yīng)的影響分析
        基于粒子群算法的光纖通信干擾信號定位方法
        基于PSO-VMD的齒輪特征參數(shù)提取方法研究
        寬帶高速掃頻信號源的高精度功率控制設(shè)計
        電子測試(2017年12期)2017-12-18 06:35:24
        帶電等效阻抗掃頻測試的互感器繞組及外絕緣隱患快速識別新技術(shù)的應(yīng)用研究
        電子制作(2017年8期)2017-06-05 09:36:15
        一種線性掃頻干擾信號的參數(shù)估計方法
        淺析監(jiān)控干擾信號的優(yōu)化處置措施
        中文字幕精品无码一区二区| 亚洲av色图一区二区三区| www国产亚洲精品久久麻豆| 精品无码久久久久成人漫画| 亚洲国产成人AV人片久久网站 | 曰本女人牲交全视频免费播放 | 青青青免费在线视频亚洲视频| 又粗又大又硬毛片免费看| 国模无码视频一区| 爆乳无码AV国内| 全亚洲最大的私人影剧院在线看| 人妻少妇精品无码专区| 丰满少妇愉情中文字幕18禁片| 欧美zozo另类人禽交| 亚洲最大av在线精品国产| 国产乱码卡二卡三卡老狼| 国产喷水福利在线视频| 久久久亚洲精品免费视频| 国产亚洲精品久久情侣| 真人做爰片免费观看播放| 成人欧美在线视频| 国产精品午夜福利天堂| 免费av片在线观看网址| 欧美日韩国产一区二区三区不卡| 在线丝袜欧美日韩制服| 国产三级国产精品国产专播| 国精品人妻无码一区二区三区性色| 日本大片免费观看完整视频 | 日日噜噜夜夜狠狠久久av| 手机久草视频福利在线观看| 边喂奶边中出的人妻| 免费99视频| 一区二区在线观看视频亚洲| 亚洲av永久无码天堂网| 久久久精品人妻一区亚美研究所 | 免费人成黄页网站在线观看国产| 手机在线观看亚洲av| 真人做爰试看120秒| 国产在线无码一区二区三区| 国产精品一区二区午夜久久| av色一区二区三区精品|